[发明专利]一种基于人工神经网络的金融板块指数预测方法

说明书

本发明公开了一种基于人工神经网络模型的金融板块指数预测方法。本发明包括：1：建立金融交易数据库；2：构建关联板块加权指数和市场加权指数；使用Pearson相关系数作为关联程度指标，通过关联程度加权计算得到加权指数；3：将数据集划为训练集和测试集，4：对金融板块指数、关联板块加权指数、市场加权指数和十年期国债收益率四组序列分别进行归一化处理；5：构建人工神经网络模型，包括提取特征和预测输出两部分；6：以先验长度为基准，生成6种训练集；将6种训练集输入人工神经网络模型中进行训练，迭代次数为50次，得到对应先验长度的6种人工神经网络模型。本发明为用户提供金融高频交易操作决策参考，达到规避风险、更好获利的目的。

技术领域

本发明属于信息技术领域，具体涉及金融时序序列的分析，特别地涉及一种基于人工神经网络的金融板块指数预测方法。

背景技术

指数价格形成机制的理论研究一直伴随着股票市场的发展，并带动了其他理论的研究，例如资本资产定价理论、不完全信息博弈理论等。从系统论的角度看，指数价格的形成机制属于复杂的非线性系统，它与经济环境和行业周期高度相关。然而，使用传统的模型根据输入和输出来模拟这种非线性关系，是非常困难的。这不仅是因为其机制本身的复杂性，还受到布朗运动的影响，即含有随机噪声。以往的建模方法在实际应用中存在着如下局限性：

1、金融市场的价格波动属于非线性波动，传统的模型对此拟合误差较大，预测准确性不高；

2、股票市场与国债市场存在此消彼长的关系，尤其在市场剧烈波动期间，而这种现象几乎没有被考虑到。

大量研究表明，人工智能系统例如人工神经网络等，在一定程度上可以捕捉非线性特征，在科学和工程领域推动解决了大量具有挑战性的问题，也给指数价格形成机制的研究带来了一种可能的途径。通过人工神经网络模型对金融数据进行特征提取、融合和分析，进而更好的把握金融交易的非线性动态特征，使得预测结果更加精准。

发明内容

本发明的目的是针对现有对于金融数据的建模方法的不足，提出了一种基于人工神经网络模型的金融板块指数预测方法。从关联行业板块指数、市场指数、十年期国债收益率和金融板块指数自身四个方面变化对金融板块指数的影响，为用户更好地提供金融交易的决策参考。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1：建立金融交易数据库，包括数据搜集和数据去噪两个步骤。

数据搜集：从通达信金融终端的数据接口导入股票市场数据，存储到电脑本地的MongoDB数据库，作为原始数据。股票市场数据包括各行业板块指数(包括金融板块在内的12种行业板块指数)和市场指数。从英为财情网站下载十年期国债收益率数据文件，文件格式为CSV格式。以上数据作为原始数据。

数据去噪：对含有随机噪声的原始数据进行小波去噪，去掉数据中的随机波动；

步骤2：构建关联板块加权指数和市场加权指数。使用Pearson相关系数作为关联程度的指标，通过关联程度加权计算得到加权指数。

2-1.根据去噪后的原始数据计算金融板块与其他行业板块之间的相关系数。选取相关系数前三的值所对应的行业板块指数，将这三个行业板块指数根据与金融板块的相关系数进行加权，得到关联板块加权指数。计算公式为：

block_index＝∑b_r_ib_ind_i

其中，block_index表示关联板块加权指数，b_r_i为第个板块指数与金融板块指数的关联程度，b_ind_i为第i个板块指数的序列，i＝1,…,11。

2-2.根据去噪后的原始数据计算金融板块与上证指数、深圳成指的相关系数。再根据这两个得到的相关系数对两种市场指数进行加权，得到市场加权指数。